Curso de Machine Learning com Power BI

Aprenda machine learning e análise de dados com Power BI!

CONTEÚDO DAS AULAS

1) Introdução a Machine Learning e IA

2) Viés e Variância

3) Visão geral dos algoritmos de machine learning

4) Regressão linear (conceito + matemática: o que o algoritmo faz debaixo dos panos)

5) Regressão linear (Power BI: Linha de Tendência)

6) Regressão linear (Power BI e R: Massa de Dados com R)

7) Regressão linear (Script R: Massa de Dados)

8) Regressão linear (Power BI e R: Treino e Teste)

9) Regressão linear (Script R: Treino e Teste)

10) Regressão linear (Power BI e R: Previsões)

11) Regressão linear (Script R: Previsões)

12) Regressão linear (Power BI: Coeficiente de determinação R2)

13) Regressão linear (Script R: Coeficiente de determinação R2)

14) Regressão linear (apresentação do exercício)

15) Regressão linear (Power BI: Gráfico de Dispersão – solução exercício)

16) Regressão linear (Power BI: Gráfico de Dispersão com Tendência – solução exercício)

17) Regressão linear (Power BI: Gráfico de Colunas – solução exercício)

18) Regressão linear (Power BI: Gráfico de Pizza – solução exercício)

19) Regressão linear (Power BI e R: Modelo e Previsões – solução exercício)

20) Pré-processamento: dados missing

21) Pré-processamento (solução do exercício)

22) Feature selection: correlação (conceito)

23) Feature selection: correlação (Power BI e Python)

24) Ridge regression (conceito + matemática: o que o algoritmo faz debaixo dos panos)

25) Ridge regression (Power BI e Python: resolvendo um problema)

26) Ridge regression (Script Python: resolvendo um problema)

27) Regularização L1, L2 e regressão Lasso

28) Lasso regression (Power BI e Python: resolvendo um problema)

29) Elastic net (conceito + matemática: o que o algoritmo faz debaixo dos panos)

30) Elastic net (Power BI e Python: resolvendo um problema)

31) Gráfico Valores Reais x Previstos (apresentando o exercício)

32) Gráfico Valores Reais x Previstos (Power BI e Python: solução do exercício)

33) Pacote Caret (linguagem R)

34) Validação cruzada Kfold (Teoria: o que o algoritmo faz debaixo dos panos)

35) Validação cruzada Kfold (aplicação prática em R)

36) Busca de parâmetros em um modelo (aplicação prática em R)

37) Teste de parâmetros específicos em um modelo (aplicação prática em R)

38) Regressão logística (conceito + matemática: o que o algoritmo faz debaixo dos panos)

39) Regressão logística (Power BI: Pré-processamento)

40) Regressão logística (Power BI e R: Modelo)

41) Regressão logística (Power BI e R: Análise dos Resultados)

42) Regressão logística (apresentação do exercício)

43) Regressão logística (Script R: solução do exercício)

44) Regressão logística (Power BI: solução do exercício)

45) Medição de desempenho Confusion Matrix (teoria e prática no Power BI)

46) Medição de desempenho ROC/AUC (conceito + matemática: o que o algoritmo faz debaixo dos panos)

47) Medição de desempenho ROC/AUC (Script R e Python)

48) Medição de desempenho ROC/AUC (Power BI: Gráfico)

49) Medição de desempenho ROC/AUC (Script Python: auc)

50) Normalizando dados (Script R)

51) KNN (conceito + matemática: o que o algoritmo faz debaixo dos panos)

52) KNN (Power BI e R)

53) KNN (apresentação do exercício)

54) KNN (Power BI e R: resolução do exercício)

55) Teorema de Bayes (conceito teórico)

56) Gaussian, Multinomial (Poisson), Bernoulli (o que os algoritmos Naive Bayes fazem debaixo dos panos)

57) Suavização de Laplace

58) Naive Bayes (Python: Dataset Iris)

59) Naive Bayes (Power BI e Python)

60) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 1: entropia

61) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 2: índice GINI

62) Decision Trees: evitando overfitting

63) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 3: regressão

64) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 4: a escolha do melhor split com algoritmos CART e C4.5

65) Decision Trees Classifier (Power BI e R)

66) Decision Trees Classifier (Power BI e R: Ajuste de Parâmetros)

67) Decision Trees (apresentação do exercício)

68) Decision Trees (resolução do exercício)

69) Projeto Final – Apresentação

70) Projeto Final – Proposta de Solução

71) Projeto Final – Power BI – Pré-processamento

72) Projeto Final – Power BI e R – Modelo

73) Projeto Final – Power BI e R – Previsões

74) Projeto Final – Power BI – Estrutura do Dashboard

75) Projeto Final – Power BI – Gráfico de Linhas

76) Projeto Final – Power BI – Gráfico de Barras

77) Projeto Final – Power BI – Gráfico de Barras Empilhadas

78) Projeto Final – Power BI – Dashboard Final

Exercícios

Muitos exercícios foram elaborados para você colocar em prática tudo o que está aprendendo ao longo do curso. Você irá criar gráficos, montar dashboards e rodar modelos de machine learning com os seguintes conjuntos de dados:

  • Preços de imóveis
  • Consumo de energia
  • Escolha de desodorante
  • Diagnóstico de câncer de mama
  • Classificação de tipos de flores
  • Admissão de estudantes em processo seletivo
  • Dados de casas para alugar

gráficos e painéis diversos feitos no Power BI

O QUE OS ALUNOS ESTÃO DIZENDO? 

depoimentos dos alunos sobre o curso

Pré-requisitos

Esse curso é para iniciantes, portanto nenhum conhecimento prévio é necessário, pois tudo será ensinado ao longo do curso. 

Apenas é necessário que você possua um computador (desktop ou notebook) com conexão à internet.

Aproveite essa promoção especial

Você pode ter acesso ao material de machine learning mais didático do mercado por apenas R$ 249,00. Ainda pode parcelar em até 12x de R$ 24,26.

Logo após a confirmação da compra, você receberá um e-mail automaticamente com os dados de acesso ao curso!

Se você não se sentir satisfeito, pode solicitar o reembolso em até 7 dias úteis.